El motor nuevo en el chasis antiguo: el dilema de la IA bancaria

Para la mayoría de los clientes, la inteligencia artificial en la banca es sinónimo de dos cosas: el *chatbot* que no logra resolver su problema y el algoritmo invisible que detecta un posible fraude en su tarjeta de crédito. Sin embargo, tras bambalinas, la industria financiera está inmersa en una transformación mucho más profunda y estructural. La llegada de las capacidades generativas ha marcado un punto de inflexión, desplazando a la nube como el foco tecnológico dominante en las salas de juntas de los bancos.

Las entidades tradicionales, enfrentadas a la presión de rivales nativos digitales y a clientes con expectativas moldeadas por la inmediatez tecnológica, están desplegando análisis predictivo para refinar la aprobación de préstamos e integrando el aprendizaje automático en todo su back-office. El debate ya no es sobre si implementar estas herramientas, sino sobre cómo hacerlo para equilibrar eficiencia, confianza y retorno de la inversión. La nueva fase de la banca algorítmica es menos sobre la fachada de cara al cliente y más sobre la reingeniería de sus operaciones centrales.

La revolución, sin embargo, no está exenta de fricciones. "La inteligencia artificial ha eclipsado a la nube como el foco tecnológico dominante", afirma Jerry Silva, vicepresidente de programa de IDC Financial Insights. Pero este nuevo motor de alto rendimiento está siendo instalado, en muchos casos, en un chasis que tiene décadas de antigüedad.

El fantasma en la máquina: el lastre de los sistemas heredados

El principal obstáculo para la adopción a gran escala no es la falta de algoritmos capaces, sino la persistencia de sistemas bancarios centrales obsoletos. "Aquellos bancos que demoraron la modernización de sus sistemas heredados están sintiendo el impacto de no poder usar algunas de las capacidades de IA que están surgiendo", explica Silva. La integración de herramientas modernas en infraestructuras monolíticas y anticuadas es un desafío técnico y financiero monumental.

No obstante, la industria está encontrando soluciones. Muchas instituciones han migrado sus plataformas centrales para soportar interfaces de programación de aplicaciones (APIs) abiertas, lo que permite una conectividad más flexible. Estas APIs actúan como traductores universales, permitiendo que las nuevas herramientas algorítmicas se "conecten" a los sistemas antiguos sin necesidad de una integración engorrosa y costosa. Para las entidades más pequeñas, los proveedores de servicios gestionados se han vuelto cruciales, externalizando una complejidad técnica y regulatoria que sería imposible de manejar internamente.

Este problema de datos es la otra cara de la moneda de la infraestructura. De nada sirve tener un motor potente si el combustible (los datos) está almacenado en docenas de tanques separados y sellados. La verdadera promesa de la IA no es solo hacer las cosas más rápido, sino hacerlas de forma más inteligente, y eso requiere una visión unificada del cliente que los silos de datos impiden.

Del ahorro de costes a la invención de productos

El impulso inicial para la adopción de la IA se ha centrado abrumadoramente en la automatización y la reducción de costes. Según Silva, "casi el 75% del gasto actual se destina a automatizar procesos de negocio o tareas". Los casos de uso son prácticos y de impacto inmediato: los *chatbots* internos para restablecer contraseñas liberan al personal de TI, mientras que la IA generativa se utiliza para crear borradores de materiales de marketing y ventas.

Sin embargo, este enfoque está a punto de cambiar drásticamente. Silva proyecta que para 2028, más de la mitad de los presupuestos de IA se destinarán a financiar productos y servicios completamente nuevos en áreas como préstamos, gestión de patrimonio y pagos. "Inviertes en automatización, reduces esa base de costes", dice. "Puedes usar esos fondos para impulsar la innovación".

Este es el verdadero punto de inflexión estratégico. Alyson Clarke de Forrester identifica la IA predictiva como una capacidad crucial infrautilizada. Las herramientas que pueden orquestar los viajes de los clientes y anticipar sus necesidades son clave para fortalecer la lealtad y convertirse en un "asesor de confianza", un objetivo que la banca digital ha perseguido durante años. La conversación estratégica, insiste Clarke, debe cambiar de "¿Cómo usamos la IA?" a "¿Qué estamos tratando de lograr y cómo puede la IA ayudarnos a llegar allí?".

El horizonte regulatorio y el agente personal

Curiosamente, esta rápida adopción tecnológica está ocurriendo en un relativo vacío regulatorio. A nivel federal en Estados Unidos, no existen regulaciones específicas para la IA en la banca. "No anticipo que en los próximos tres años haya nuevas regulaciones específicas", comenta Silva. A pesar de esto, la industria no actúa con complacencia. La cautela es la norma, especialmente en áreas sensibles como la toma de decisiones crediticias. Las instituciones están asegurando proactivamente que sus modelos sean explicables y transparentes, tratándolos como mejores prácticas antes de que se conviertan en mandatos legales.

Mirando más allá, el futuro se perfila aún más integrado. Silva apunta al surgimiento de agentes personales de IA: "clones digitales" capaces de gestionar correos electrónicos, calendarios e incluso operaciones bancarias en nombre de un cliente. "La tecnología ya es posible", asegura, "pero las cuestiones no resueltas de responsabilidad y confianza determinarán la rapidez con que llegue al mercado".

En última instancia, mientras la industria se apresura a adoptar los últimos avances, el potencial de las herramientas ya establecidas sigue sin explotarse del todo. La próxima fase de la banca digital no será ganada por quien tenga el algoritmo más llamativo, sino por quien logre integrar de manera más inteligente sus sistemas, unificar sus datos y utilizar la tecnología no solo para ahorrar dinero, sino para redefinir el valor que ofrece a sus clientes.